Reassessing the clinical efficacy of two MR quantitative DSC PWI CBF algorithms following cross-calibration with PET images
Notice bibliographique
Résumé
Clinical cerebral blood flow (CBF) maps generated through dynamic- susceptibility contrast (DSC) magnetic resonance (MR) perfusion imaging are currently cross-calibrated with PET studies. The cross-calibration is achieved by rescaling the MR CBF values so that normal white matter CBF corresponds to 22 ml/100 g/min. Examples are provided in this paper to show how this rescaling procedure changes both the clinical interpretation of CBF maps and the manner by which the performance of a given deconvolution algorithm should be assessed. (i) Singular-value decomposition-based (SVD) algorithms produce absolute CBF estimates that are inherently under-estimated for all tissue mean transit times (MTT) but, after rescaling, will generate CBF maps that are over-estimated for MTT >4.8 s. (ii) In principle, frequency-domain modelling techniques are expected to be inherently less sensitive to contrast recirculation biases than the time-domain SVD algorithms. However, it is shown that both CBF algorithms become greatly less sensitive to distortions from recirculation after clinical cross-calibration through rescaling has been performed. It is concluded that, when rescaling procedures are employed, it is relatively more important to develop deconvolution algorithms that produce CBF estimates with accuracies that vary little with MTT than to produce algorithms that provide inherently more accurate CBF estimates, but whose relative accuracy varies significantly with MTT.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».